Coordenadas das Cidades de Visualização
lat lon
-8.064193 -34.878152
lat lon
-7.934007 -34.868407
lat lon
-8.175248 -34.946872
| cidade | lat | lon |
|---|---|---|
| Recife PE | -8.0642 | -34.8782 |
| Paulista PE | -7.9340 | -34.8684 |
| Jaboatão dos Guararapes PE | -8.1752 | -34.9469 |
| cidade | lat | lon |
|---|---|---|
| Recife PE | -8.0642 | -34.8782 |
| Paulista PE | -7.9340 | -34.8684 |
| Jaboatão dos Guararapes PE | -8.1752 | -34.9469 |
OGR data source with driver: GeoJSON
Source: "D:\Rstudio\bairros.geojson", layer: "bairros"
with 94 features
It has 5 fields
max.data.confirmed.
1 401
sum.data.deaths.
1 390
mean.data.deaths.
1 5
Resultados
Número de casos confirmados78
Número médio de casos confirmados 49.2564103.
Número médio de casos de mortes 5.
This report was generated on abril 13, 2020.
Criado por: Departamento de Engenharia Cartógrafica
---
title: "COVID-19 UFPE / DECART"
output:
flexdashboard::flex_dashboard:
orientation: rows
vertical_layout: fill
social: [ "twitter", "facebook", "menu"]
source_code: embed
---
```{r setup, include=FALSE}
library(flexdashboard)
library(knitr)
library(DT)
library(rpivotTable)
library(ggplot2)
library(plotly)
library(dplyr)
library(openintro)
library(highcharter)
library(ggvis)
library(maps) #mapas simples, eixos, escala, cidades
library(mapdata) #base de dados WorldHires e rios
library(rworldmap) #outra base de dados de mapas do mundo
library(maptools) #Ler ESRI shapefiles
library(mapproj) #Projeções e grids
library(ggmap) #Gmaps, OSM + mapas baseados em ggplot2
library(rgdal)
```
```{r}
### Leituras dos Dadoas
data <- read.csv("covid19-PE_09_04_2020.csv")
data<-data.frame(data)
```
```{r}
### Cor das Telas
mycolors <- c("red", "#FFC125", "darkgreen", "darkorange")
```
Dados Interativos
========================================
CASOS DE COVID-19 EM PERNAMBUCO
-------------------------------------
### CASOS DE COVID-19 EM PERNAMBUCO
```{r}
valueBox(paste("PERNAMBUCO"),
color = "warning")
```
### Casos em Pernambuco
```{r message=FALSE}
valueBox(sum(data$confirmed),
icon = "fa-user")
```
### **Casos Confirmados no Estado de Pernambuco**
```{r}
###### Soma os Casos ####
soma<-sum(data$confirmed)
gauge(round(sum(data$confirmed),
digits =10),
min = 0,
max = 100000,
gaugeSectors(success = c(0, 1000),
warning = c(1000, 100000),
danger = c(100000, 1000000),
colors = c("green", "yellow", "red")))
```
### RECIFE
```{r}
valueBox(sum(data$city == "Recife"),
icon = 'fa-building')
```
### Olinda
```{r}
valueBox(sum(data$city == "Olinda"),
icon = 'fa-building')
```
### Jaboatão dos Guararapes
```{r}
valueBox(sum(data$city == "Jaboatão dos Guararapes"),
icon = 'fa-building')
```
### Paulista
```{r}
valueBox(sum(data$city == "Paulista"),
icon = 'fa-building')
```
Número de Casos
-------------------------------
### Número de Casos
```{r}
p1 <- data %>%
group_by(city) %>%
summarise(count = n()) %>%
plot_ly(x = ~city,
y = ~count,
color = "blue",
type = 'bar') %>%
layout(xaxis = list(title = "Municipios"),
yaxis = list(title = 'Número de Casos'))
p1
```
### Datas que Houve Mortes
```{r}
# Carrega o pacote tidyr
library(tidyr)
# Reune as variaveis de ano espalhadas pela base 'homic'
#p2<- gather(data, state, deaths)
# Verifica as primeiras observacoes do novo banco
#head(p2)
# Reune variaveis espalhadas no banco homic
#p2
#p21 <- select(data, state, city, confirmed, deaths)
#p2<- gather(data = data, key = city, value = Recife,-date, -confirmed, -deaths)
# Visualiza o banco
#head(p2)
# Seleciona observacoes com populacao maior que 500 mil e menor que 1 milhao
a <-filter(data, place_type=="state",deaths>0)# ou
p2<-data.frame(a)
```
### Data Vs Casos confirmados
```{r}
p3 <- plot_ly(data,
x = ~date,
y = ~confirmed,
text = paste("data:", data$date,
"Confirmado:",
data$confirmed),
type = "bar") %>%
layout(xaxis = list(title="data"),
yaxis = list(title = "casos confirmados"))
p3
```
Scatter Plot de Casos confirmados Vs Mortes
------------------------------------
### Scatter Plot de Casos confirmados Vs Mortes
```{r}
## Eliminar as Linhas conm NA's######
data<-na.omit(data)
p4 <- plot_ly(data, x=~confirmed) %>%
add_markers(y = ~deaths,
text = ~paste("confirmed: ", confirmed),
showlegend = F) %>%
add_lines(y = ~fitted(loess(confirmed ~ deaths)),
name = "Loess Smoother",
color = I("#FFC125"),
showlegend = T,
line = list(width=5)) %>%
layout(xaxis = list(title = "casos confirmados"),
yaxis = list(title = "mortes"))
p4
```
### Box Plot das Cidades
```{r}
data %>%
group_by(city) %>%
ggvis(~city, ~deaths, fill = ~city) %>%
layer_boxplots()
```
Mapa
========================================
### Mapa
Coordenadas das Cidades de Visualização
```{r}
cidades <- c("Recife PE","Paulista PE","Jaboatão dos Guararapes PE")
DF <- data.frame(cidade=cidades, lat=NA, lon=NA)
require(RgoogleMaps)
## Loading required package: RgoogleMaps
getGeoCode("Recife, Pernambuco, Brazil")
getGeoCode("Paulista, Pernambuco, Brazil")
getGeoCode("Jaboatão dos Guararapes Pernambuco, Brazil")
# Para várias cidades:
DF <- with(DF,data.frame(cidade=cidade, t(sapply(DF$cidade, getGeoCode))))
knitr::kable(DF, format="markdown", digits=4)
## Loading required package: plyr
library(plyr)
x<-ldply(DF$cidade, function(x) getGeoCode(x))
knitr::kable(
data.frame(cidade=cidades,x),
format="markdown",
digits=4)
```
### Mapa Estático de Casos
```{r}
library(leaflet)
library(geojson)
nycounties <- rgdal::readOGR("bairros.geojson")
#ies.geojson", layer: "nycounties
pal <- colorNumeric("viridis", NULL)
leaflet(nycounties) %>%
addTiles() %>%
addPolygons(stroke = FALSE, smoothFactor = 0.3, fillOpacity = 25,
fillColor = ~pal(bairro_codigo),
label = ~paste0(bairro_codigo, ": ", formatC(bairro_codigo, big.mark = ","))) %>%
addLegend(pal = pal, values = ~(bairro_codigo), opacity = 80.0,
labFormat = labelFormat(transform = function(x) round(10^x)))
```
```{r Mapa Estático}
##
require(ggplot2)
## Loading required package: ggplot2
require(ggmap)
## Loading required package: ggmap
#box <- make_bbox(lon, lat, data = DF)
#map <-
# ggmap(
# get_map(location = box, maptype="toner", source="stamen")
# ) +
#geom_point(data=DF, x=DF$lon, y=DF$lat, color="red")
#map
```
### Plotar Mapas na Base do Google maps
```{r}
library(leaflet)
DF<-data.frame(DF)
#latitude=-8.064193
#longitude=-34.87815
m <- leaflet()
m <- addTiles(m)
m <- addMarkers(m, lng=-34.87815, lat=-8.064193, popup="origem")
m
```
```{r Mapa shapfile}
```
Tabela de Dados
========================================
```{r}
datatable(data,
caption = "Failure Data",
rownames = T,
filter = "top",
options = list(pageLength = 25))
```
Tabela Dinâmica
========================================
```{r}
rpivotTable(data,
aggregatorName = "Count",
cols= "city",
rows = "date",
rendererName = "Heatmap")
```
Resumo {data-orientation=columns}
========================================
Column
-----------------------------------
### Maximo de Dados Confirmadaos
```{r}
a<-data.frame(max(data$confirmed))
a
```
### Numero de Mortes
```{r}
b<-data.frame(sum(data$deaths))
b
```
### Número médio de Mortes
```{r}
c<-data.frame(mean(data$deaths))
c
```
Resumo
---------------------------
Resultados
* Número de casos confirmados`r length(data$confirmed)`
* Número médio de casos confirmados `r mean(data$confirmed)`.
* Número médio de casos de mortes `r mean(data$deaths)`.
This report was generated on `r format(Sys.Date(), format = "%B %d, %Y")`.
Sobre o Relatório
========================================
Criado por: Departamento de Engenharia Cartógrafica